随着计算机技术的发展,自动驾驶系统的各个模块性能也得到了相应提升。其中,定位模块作为最基础的组成部分,其准确度和稳定性对提升自动驾驶系统的安全性有至关重要的作用。即时定位与地图构建（SLAM）,近年来被更多地用于自动驾驶定位模块,其中常用的传感器是惯导与激光雷达或是单目相机相结合。针对激光依赖于场景几何特征和视觉易受光照影响等缺陷,本文设计了一个激光视觉融合SLAM算法,其通过融合互补激光视觉各自的优缺点来提升定位算法的整体性能。针对利用视觉或激光单一数据源的SLAM无法在多变的场景下稳定运行的缺点,本文在算法的前端部分分别对激光和视觉的数据进行特征提取与匹配,利用雷达点云获取ORB特征点的深度得到Space-ORB,并将其与雷达特征点以松耦合的方式共同输入位姿估计模块进行计算以减少算法对激光或视觉任一数据源的依赖。针对位姿矩阵优化求解时的自我约束问题,本文引入李代数来简化求解过程,减少计算负担。除此之外,针对SLAM异常数据过多的问题,本文提出一种Cauchy-Huber核函数来提升位姿估计模块对异常点的泛化性,整体上提升了算法的鲁棒性。针对位姿和特征点大范围优化导致计算量过大的问题,本文在算法的后端部分提出一种基于关键帧和滑动窗口的平衡选取策略,并对特征点和位姿李代数提出一种分类优化策略以降低算法的计算量。针对激光点云回环检测模块漏检率过高的问题,本文采用基于ORB特征点的视觉词袋模型改进检测机制来提高检测率。在地图构建方面,由于关键帧处的点云拼接对地图整体的精度有很大影响,本文将视觉像素作为常量参与关键帧处的雷达点云优化,即部分范围的点云拼接,提高拼接的准确率,提升建图质量。为了验证算法的有效性,本文在KITTI数据集及校园场景中进行了实验测试,KITTI数据集场景包含了城镇,郊区和高速公路等多样化的环境,评价指标主要为ATE,RTE,APE和RPE的std,rmse和mean以及算法运行时CPU和内存的平均占用情况统计。结果表明该算法的平均定位相对误差为0.11m和0.002rad,比现有的使用单一雷达（A-LOAM）或相机（ORB-SLAM2）的方法具有更高的准确性和鲁棒性,可以有效地运用于自动驾驶的车辆定位。除此之外,本文在校园环境内进行了实地实验,成功实现了大范围和小范围场景的三维重建以及车辆在重建场景下的路径定位。